SERIES CRONOLOGICAS

Es un registro de las variaciones cuantitativas

de una variable o un fenmeno cronolgico a
lo largo del tiempo.
La produccin de caa de azcar en los 10
ltimos aos, el numero semanal de
accidentes de transito.
Ejemplo
Ventas de golosinas de la bodega Diego(2000)
Se representa
grficamente
Lnea Poligonal
Componentes de la serie cronolgica
Tendencias o movimientos secular
Variaciones estacionales
Variaciones cclicas
Variaciones irregulares

LA TENDENCIA
Es la direccin que en
general sigue la serie
cronolgica.
Existen 2 mtodos
Mtodos de los
promedios mviles
Mtodo de ajuste de una
lnea o funcin
Mtodo del promedio mvil
Es un mtodo de apreciacin grafica,
cuyo objetivo es simplemente suavizar la
lnea poligonal que representa la serie
cronolgica
3
3 2 1
1
y y y
Z

3
5 4 3
3
y y y
Z

3
4 3 2
2
y y y
Z

Donde:
Z=Promedio mvil.
n=valores de la serie.
m=subconjuntos de la serie
m<n


Aos

1980

1981

1982

1983

1984

1985

1986

1987
unidades 106 112 94 97 103 109 94 94
EJEMPLO:
Los envos para el mercado nacional de tractores
agrcolas en el periodo de 1980-1987 por la empresa
maquinas y herramientas
104
3
94 112 106
1


Z
101
3
97 94 112
2


Z
98
3
103 97 94
3


Z
Aos Unidades Promedio mvil
1980 106
1981 112 104
1982 94 101
1983 97 98
1984 103 103
1985 109 99
1986 85 96
1987 94
Resultados
Representamos el promedio mvil
mediante la grafica de polgonos
Solo suaviza las fluctuaciones de la informacin.
Este mtodo no esta representado por ninguna frmula
matemtica, y por tanto, no nos es posible realizar proyecciones
Tendencia Lineal
Es el mtodo de
tendencia mas
sencillo
a y b son parmetros
bX a Y
X es la variable independiente
EL MTODO DE MNIMOS
CUADRADOS
Consiste en determinar la funcin que hace
mnima el cuadrado de la distancia entre los
valores observados y los valores de la funcin
de ajuste. Esta funcin a de servir para
encontrar la informacin correspondiente a
los aos que continan a la serie histrica.

A. Mediante
Ecuaciones
Simultneas

X b na Y


2
X b X a XY
Veamos la mecnica de sus
frmulas, en los casos de una
recta:
X Y XY
a b c=a.b D=a.a E=b.b
1
2
3
4
5
6
7
8
9
10
1352.00
1434.96
1566.73
1300.50
1831.00
1867.60
2069.50
1947.00
2257.50
2409.30
1352.00
2869.92
4700.19
5202.00
9155.00
11205.60
14486.50
15576.00
20317.50
24093.00
1
4
9
16
25
36
49
64
81
100
1827904
2059110
2454643
1691300
3352561
3487930
4282830
3790809
5096306
5804727
55 18036.09 108957.71 385 33848120
2
X
2
Y

EJEMPLO: En el siguiente ejemplo nos dan los datos de los ingresos por ventas de caf
de la empresa Meche S.A. en los aos 2000-2009.
Grafica Diagrama de
Dispersin de los datos

2 2
2
) (
) )( ( ) )( (
X X n
XY X Y X
a
a. Clculo del parmetro de posicin a, cuando
bY a Y
b. Clculo del parmetro de dispersin o inclinacin: b, cuando Y = a + bX

2 2
) (
) )( ( ) (
X X n
Y X XY n
b
Mediante frmulas
paramtricas, sin usar medias
aritmticas de las variables
2
55 385 10
71 . 108957 55 09 . 18036 385


a
2
55 385 10
09 . 18036 55 71 . 108957 10


b
= 1152.9947

= 118.29352
Remplazando en el ejemplo
Y* = 1152.9923 + 118.29394X
El coeficiente de correlacin
En el ejemplo:

2
2
2
2
Y Y n X X n
Y X XY n
R
9358787 . 0
09 . 18036 33848120 10 55 385 10
09 . 18036 55 71 . 108957 10
2 2



R
USANDO MEDIAS ARITMTICAS DE LAS VARIABLES


j= g.g
203950.69
135902.09
56111.66
750.27
4094.85
70698.02
20560.98
206017.04
366861.59
1318065.86

2
Y Y

2 2
Y Y X X
Y Y X X
R
Tabla de medias aritmticas
Interpretacin:Ej. Si R es 0.93, significa que el modelo se ajusta a la
informacin histrica en un grado de asociacin igual a 93 y que existe una
dispersin de los datos histricos respecto a la lnea de ajuste en un grado de 7
Si es 0.87 significa que el 84 por ciento (%) de la varianza de Y es
explicada por la varianza de X; es decir que la influencia de X sobre Y
es del 84%. Todo esto nos indica, que el modelo se ajusta a la nube de
puntos en un grado de 93, pero que la variable X explica a la variable Y
tan solo en un 84%.
GRFICA DE DATOS CON TENDENCIA LINEAL
X Y 294 . 118 9947 . 1152 *
bX a Y
Datos histricos

Datos ajustados
TENDENCIA EXPONENCIAL

existen muchas series cronolgicas que tienden a variar (ascender o descender) en
forma geomtrica, cuya tendencia se puede expresar muy bien mediante una curva
exponencial. como ejemplos, se puede mencionar el crecimiento de la poblacin
demogrfica, la evolucin del ingreso nacional, los depsitos de ahorro, etc.
la tendencia exponencial de una serie, se describe por la funcin exponencial de la
forma:


donde a,b son los parmetros y la variable x (tiempo) est como exponente. tal como
se indic en el captulo anterior, conviene expresar esta funcin en su forma
algortmica, a saber:
log y*= log a + x log b






Con ecuaciones
normales:
De donde se obtiene el valor de los parmetros
log a, log b; de los cuales tomando los anti log. Se obtiene a , b
As mismo, cuando las ecuaciones normales se reducen a:







La ecuaciones exponencial tambin se utiliza cuando se tiene series cronolgicas en
las cuales se interese calcular las tasas de crecimiento promedio (i) de la variable en
un periodo determinado.

En la ecuacin se tiene que b=+i , donde i es la tasa de crecimiento,
ahora la ecuacin ser :





ECUACIONES
SIMULTNEAS
Modelo:
Linealizando el modelo:
log Y =log a +X log
Se le denomina semilogartmica, precisamente por que al
transformarlo de su forma exponencial a una forma lineal
mediante el uso de los logaritmos, solamente la variable Y
aparece con valores logartmicos, mientras que la variable X
con su valor natural. Esto tambin determina que, al calcular
el parmetro a, como el parmetro b, para los efectos de
reemplazarlos en el modelo original ( ), debemos
previamente calcularle sus antilogaritmos(tanto al parmetro
a como b).
MEDIANTE
A
.

X Logb nLoga LogY


X
Logb X Loga LogY x
2
) (
El problema se reduce, ahora, simplemente a calcular los
valores de a y b respectivamente, y luego estos valores se
reemplazan en el modelo, pero antes se le calcula a ambos
parmetros su antilogaritmo.





CUADRO : INFORMACIN Y
CLCULOS PARA Y = a b
x


X Y log y xlog Y X
2
(log y)
2

a b C=a.b d=a.a E=b.b
1
2
3
4
5
6
7
8
9
10
1352.00
1434.96
1566.73
1300.50
1831.00
1867.60
2069.50
1947.00
2257.50
2409.30
3.1309767
3.1568398
3.1949942
3.1141104
3.2626883
3.2712839
3.3158654
3.2893660
3.3536278
3.3818909
3.1309767
6.3136796
9.5849826
12.4564416
16.3134415
19.6277034
23.2110578
26.3149280
30.1826502
33.8189090
1
4
9
16
25
36
49
64
81
100
9.8030151
9.9656375
10.2078880
9.6976835
10.6451349
10.7012983
10.9949633
10.8199287
11.2468194
11.4371861
55 18036.09 32.4716434 180.9547704 385 105.5196549





32.4716434 = 10* log a + log b * 55
180.9547704= 55* log a + log b * 385

(-5.5) -178.59404 = -55 * log a log b * 302.5
180.95477 = 55 * log a + log b * 385.0
2.3607 = 0 + log b * 82.5

log b =2.607/82.5 log b =0.028614909
anti log 0.028614909= 1.0681074 =b

Calculamos a : 32.4716434= 10 log a +log b * 55
log a= 3.0897823
anti log a= 1229.6522 =a

REEMPLAZAMOS EN SU FORMA ORIGINAL:


SOLUCIN

X Logb nLoga LogY


X
Logb X Loga LogY x
2
) (
Deduccin de las ecuaciones normales segn
las sgtes frmulas

X Logb nLoga LogY


X
Logb X Loga LogY x
2
) (
B





log a =





log b =



Resolviendo las ecuaciones simultneas por
medio de determinantes




log a=




Loga=
2549.0699
825
loga= 3.0899786
a= anti log 3.0899786 = 1229.652
Reemplazando valores en las
frmulas (A) y (B).


Log b =

log b =

Log = 0.0286149 b = anti log 0.0286149
b= 1.0681074

Escribiendo el modelo en su forma original:
= 1229.652 (1.0681074)

825
825
MODELO: y = a b
X

Y* = 1229.652 (1.06810741)
X

Datos Histricos: ------------
Datos Ajustados: _____________

Determinar la tendencia exponencial de la evolucin del PBI de
Paraguay, observado en el perido 1985-1993.El monto del PBI
expresado en millones de dlares se presenta en la columna del
cuadro N5 , adems puede apreciarse en la grafica N6 que la
poligonal de la serie tiene un evidente crecimiento no lineal ,
mas bien es de tipo geomtrico, cuya tendencia puede expresarse
mediante una funcin exponencial.
La serie tiene un numero impar de observaciones (n= 9 aos)
entonces el origen X=0 se ubicara en el ao 1989 con una escala
X de :
aos 1985 1986 1987 1988 1989 1990 1991 1992 1993
X -4 -3 -2 -1 0 1 2 3 4
Resultando que x= 0. Con estas condiciones se utilizan las ecuaciones
normales simplificadas.
log Y= n log a
X log Y=log b x
Que corresponde a la ecuacin log Y*=log a +log b de donde

loga =log Y /n =33.4861/9 =3,7207
log b= Xlog Y/x=0.9425/60 =0.0157

Para obtener la ecuacin exponencial se halla los antilogaritmos:
a=anti log 3.7207 =5256,5
b=anti log 0.0157=1.0368
luego:


C
u
a
d
r
o

y

g
r
a
f
i
c
a

d
e
l

e
j
e
r
c
i
c
i
o

INTRODUCCIN TENDENCIA DOBLE
LOGARTMICA O
CURVA GEOMTRICA
Generalmente la tendencia nos muestra un patrn de variacin que tiene una serie
de tiempo.
Para el inicio de su anlisis siempre es conveniente primero realizar la grfica de
dispersin de los datos observados, de esta manera podremos en primera instancia
darnos una idea de cmo estos estn relacionados, observar la tendencia,
determinar el modelo matemtico y en base a esto hacer mas acertadas los
pronsticos estadsticos.


EJEMPLO



Valores
de la
variable
Tendencia lineal

Pero que es lo que sucede cuando nuestra serie analizada, al realizar su grfica de
dispersin, adopta una tendencia no lineal
Valores
de la
variable
Tiempo
Tendencia no lineal

Entonces estamos frente una curva, cuyo modelo matemtico es : Y = aX
b
, y para
determinar los componentes a y b es necesario convertirlo a una forma mas
simple, es decir linealizarlo, lo cual se logra aplicando logaritmos a las dos
variables (la forma inversa de este modelo); es por esto que podemos decir que
estamos frente a una tendencia DOBLE LOGARTMICA

TENDENCIA DOBLE LOGARTMICA O
CURVA GEOMTRICA
A esta funcin se le denomina doble logartmica, precisamente porque al
transformarlo de su forma exponencial a una forma lineal a travs del uso de los
logaritmos, tanto la variable Y como la variable X aparecen con valores
logartmicos, y como tal su graficacin en un papel logartmico doble (logartmico
en ambos ejes) resultara una recta.

Modelo: Y = a X
b



Log Y = log a + b log X

Como podemos apreciar, el
modelo linealizado es una funcin
con
pendiente b , similar a la
ecuacin de la recta: Y = a + bX

dond
e



Y log Y , a log a

b b , X log X



LINEALIZAND
O
La forma de esta funcin funcin Y = a X en el
pronstico de mercados resulta de inters particular
porque nos muestra una correlacin de las variables con
elasticidad constante.
La elasticidad es igual al parmetro b.

Modelo: Y = a X
b


Encontrando
elasticidad



La importancia de la elasticidad, en el pronstico radica en el hecho de
que relaciona incrementos relativos en las variables ; y en este caso,
estamos trabajando con una elasticidad constante (b), la cual nos
indicar el comportamiento de Y respecto a la variacin en los
incrementos de X.

Por lo tanto, la forma que adopte el modelo graficado, estara en
funcin de los valores que adopte el parmetro b; las mismas que
pueden tener las siguientes formas de curva de acuerdo al valor que
adopte b.
Y = a
X
b

b<0
b>1
b = 1
1
Y
a
b <1
X

ESCALAS
LOGARITMICAS

Una escala logartmica es una escala de medida que utiliza el
logaritmo de una cantidad fsica en lugar de la propia cantidad.

Un ejemplo sencillo de escala logartmica muestra
divisiones igualmente espaciadas en el eje vertical de un grfico
marcadas con 1, 10, 100, 1000, en vez de 1, 2, 3, 4.


VENTAJAS DE UTILIZAR ESCALAS Y GRFICOS
LOGARTMICOS:


Es una manera rpida y eficiente de evaluar las tendencias de los
resultados y dar un primer paso en el anlisis.


La presentacin de datos en una escala logartmica puede ser til
cuando los datos cubren una amplia gama de valores , el logaritmo los
reduce a un rango ms manejable.

1
2

DESARROLLO DEL MODELO Y = a X
b



Con fines explicativos tomaremos como ejemplo los siguientes datos

Desarrollo del modelo lineal (caso de una Curva Geomtrica)
mediante ecuaciones simultaneas :
A
Las determinantes, son una forma particular de expresar las ecuaciones
paramtricas (que utilizaron o no medias aritmticas), luego, por lgica
consecuencia, tambin se puede decir que las determinantes son una forma de
desarrollo de las ecuaciones simultneamente planeadas en la parte A de est tema.
Veamos cmo funciona lo afirmado en la ltima parte:
Expresin del
modelo:
1
Expresin del modelo
linealizado:
2
Aplicando ecuaciones simultneas: 3
log Y = n log a + b log X

log Y log X = log a log X + b (log X)
FRMULA 1
El problema se reduce ahora, simplemente a calcular los valores de a y b
respectivamente, y luego estos valores se reemplaza en el modelo pero
antes se calcula el antilogaritmo del parmetro, quedando inalterable el
valor del parmetro b.
Ejemplo
log Y = n log a + b log X

log Y log X = log a log X + b (log X)
Reemplazando en la formula N 1 los resultados obtenidos en el cuadro, se
obtiene las siguientes ecuaciones simultneas:
NOTA: Cuando el parmetro b es menor que el 1, entonces el comportamiento del
modelo debe ser similar en el grfico al que aparece en la FIG 1, para el caso b <1.
Es necesario tener presente este resultado para los efectos de la graficacin
del modelo.


1
log Y = n log a + b log X

log Y log X = log a log X + b (log X)

Clculo de a:


Reemplazando los valores de b y log a en la ecuacin
linealizada:


Escribiendo el modelo en su forma
original:

NOTA: observemos que al escribir el modelo estimando en su
forma original el valor del parmetro b es invariable, ms NO
as el parmetro a, el cual debemos calcularle su valor
antilogartmico. La explicacin de estos es muy sencilla;
observemos como se encuentra b en este ejercicio:


Ambos logaritmos se eliminan, por ello que se acostumbra no
colocarlo para los efectos del clculo.
2
3
4
Desarrollo del modelo lineal (caso de una Curva Geomtrica)
mediante frmulas paramtricas sin utilizar las medias
aritmticas de sus variables:
B
Clculo del parmetro a,
cuando:
a
FRMULA 2
Clculo del parmetro b,
cuando:
b
FRMULA 3
En las formulas (2) y (3),
podemos apreciar que son
idnticas a las
correspondientes a las
lnea recta N 2 y 3.

Escribiendo el modelo
linealizado:

Escribiendo el modelo en su forma original
:
Desarrollo del modelo lineal (caso de una Curva Geomtrica)
mediante frmulas paramtricas utilizando medias
aritmticas de las variables :
c
FRMULAS - 4 y 5

Este procedimiento es el menos utilizado por lo engorroso que
resulta trabajar con los valores requeridos. Por tal motivo, nosotros tampoco
le aconsejamos, y aqu lo desarrollaremos con el propsito de expresar una
forma ms de encontrar los valores de a y b , en el modelo :



Escribiendo el modelo linelizado:




Escribiendo el modelo en su forma
original:


Como podemos podido apreciar
lo engorroso del procedimiento
anterior radica en los clculos del
cuadro que rene la informacin
necesaria para la aplicacin de las
formulas, las cuales (las
formulas) son fciles y rpidas de
calcular.
Desarrollo del modelo lineal (caso de una Curva Geomtrica)
por medio de determinantes:
D
Las determinantes, son una forma particular de expresar las ecuaciones
paramtricas (que utilizaron o no medias aritmticas), luego, por lgica
consecuencia, tambin se puede decir que las determinantes son una forma de
desarrollo de las ecuaciones simultneamente planeadas en la parte A de est tema.
Veamos cmo funciona lo afirmado en la ltima parte:
Expresin del
modelo:
1
Expresin del modelo
linealizado:
2
Deduccin de las ecuaciones
normales:
3

Resolviendo las ecuaciones simultaneas por
determinantes:

4
FRMULAS - 6 y 7

Reemplazando valores en las ecuaciones
normales:

5


Resolviendo las ecuaciones simultneas por determinantes
(formulas 6 y 7):


6

Escribiendo el modelo linelizado:


7


Escribiendo el modelo en su forma
original:


7
NOTA: Como hemos podido apreciar, la forma
como se expresa las diversas formas de clculo
de los modelos de ajuste de tipo , son
similares para la lnea recta. Y por cualquiera
de los mtodos utilizados el resultado siempre
es el mismo.
Clculo del coeficiente de correlacin R sin utilizar medias
aritmticas de las variables:
E
FRMUL
A
Clculo del coeficiente de correlacin R utilizando medias
aritmticas de las variables:
F
FRMUL
A
Debemos tener en cuenta para los
efectos del clculo que, el numerador de la
frmula 8 es igual al numerador de la
frmula 4.
Clculo del coeficiente de correlacin R utilizando
determinantes:
G
FRMULA
Clculo del coeficiente de correlacin para una curva
geomtrica, utilizando la raz cuadrada del coeficiente de
determinacin:
Por tal motivo,
primero encontraremos
el valor del coeficiente de
determinacin, y luego su
raz cuadrada, lo cual nos
dar como resultado el
coeficiente de
correlacin.
1
2
FRMULAS
3
H
Otra de las formas de clculo del coeficiente de correlacin a partir de la raz
cuadrada del coeficiente, es la siguiente:


Para los efectos de la aplicacin de la frmula , debemos tener muy presente
que los clculos son con los logaritmos de las variables histricas o estimadas.
Los razonamientos de interpretacin de coeficientes hechos para la lnea
recta son tambin vlidos para la Cueva Geomtrica.



Datos histricos: ----------------
--
Datos Ajustados: __________

Variacin Estacional
La tercera componente es la variacin
estacional, que tiene como caracterstica de
variacin regular dentro de un ao y que a su
vez se repite cada ao
Muchas series como ventas, produccin y
otras, fluctan segn las estaciones del ao.
La unidad de tiempo indicada es el lapso
trimestral o mensual.
Casos tpicos son la produccin de algunas
frutas y/o comestibles o ventas asociadas a
productos como ropa de temporada.

- El diagrama se muestra las
ventas trimestrales, en millones
de dlares, de la negociacin
hercher sporting godas, inc. Una
compaa de Chicago que vende
artculos deportivos y que se
especializa en ventas de equipos
de bisbol y softball a escuelas o
universidades. Existe un patrn
estacional distinto en este
negocio. La mayora de sus ventas
se hacen en el primero y segundo
trimestres del ao, cuando las
escuelas y organizaciones
compran equipo para la estacin
que se avecina. Durante el inicio
del verano, dicha compaa se
mantiene activa vendiendo
equipo de reemplazo. Hace
algunos negocios durante las
vacaciones (cuarto trimestre). El
final del verano (tercer trimestre)
es su estacin de menor
actividad.
VARIACIN ESTACIONAL
EJEMPLO: La variacin de precios de los
productos agrcolas

Variacin Irregular

La ltima componente es la componente irregular que
adiciona las caractersticas anteriores pero adems tiene
comportamiento extraos imprevisibles que se dan
generalmente en el corto plazo.

Muchos analistas prefieren
subdividir la variacin irregular en
variaciones episdicas y
residuales. Las episdicas no son
predecibles.
Despus de que las
fluctuaciones episdicas se
han eliminado, a la
variacin restante se le
llama variacin residual.

Los cambios residuales, comnmente
conocidos como fluctuaciones aleatorias,
son impredecibles y no pueden
identificarse. Por supuesto, ninguna
variacin, sea episdica o residual, puede
proyectarse al futuro.

ANLISIS DE SERIES
CRONOLGICAS
MODELOS DE SERIES
CRONOLGICAS
MODELO
MULTIPLICATIVO
MODELO
ADITIVO
MODELO ADITIVO
Se considera que la
variable observada (Y)
se puede descomponer
en la suma de los
factores, es decir:
Y= T + S + C+ I.
Modelo Aditivo

Y
t
= T
t
+ S
t
+ C
t
+ E
t

ADITIVO
t t t t t
E C S T Y
Donde:
Y
t:
Variable estudiada
T
t
:Tendencia
S
t
: Variaciones
estacionales
C
t
: Fluctuaciones
cclicas
E
t
: Sucesos irregulares





200
4
2005 2006
1
er
cuatrim.
16 19 24
2
do

cuatrim.
19 26 34
3
er

cuatrim.
24 31 41
Ejemplo de las
ventas de la
empresa de
gaseosas Coca Cola
durante un periodo
de tiempo
I II III I II III I II III
AOS
2004 2005 2006
VENTAS DE GASEOSA DE LA
EMPRESA COCACOLA 2004-2005
2004 2005 2006
1
er
cuatrim. 15.532 23.383 31.234
2
do
cuatrim. 18.149 26 33.851
3
er
cuatrim. 20.766 28.617 36.468
t T
t
617 . 2 26
valores de tendencia para cada uno de los
cuatrimestres son los que aparecen en el siguiente
cuadro.
MODELO
MULTIPLICATIVO
El comportamiento de la
variable observada se expresa
como el producto de los
componentes, es decir:
Y=T * S * C * I.
Modelo Multiplicativo
Y
t
= T
t
* S
t
* C
t
* E
t

MULTIPLICATIVO
t t t
t
t
E C S
T
Y
* *
LOS VALORES OBTENIDOS SE PROMEDIAN PARA SUAVIZAR
LAS VARIACIONES CCLICAS E IRREGULARES
Y
t
T
t
Y
t
/ T
t

16 15.532 1.0302
19 18.149 1.0469
24 20.766 1.1558
19 23.383 0.8126
26 26 1.0000
31 28.617 1.0833
24 31.234 0.7684
34 33.851 1.0044
41 36.468 1.1243
3.0086
S
t

La suma de los valores estacionales deben ser 3,
considerando los 3 cuatrimestres, para corregir
usaremos el coeficiente :
Los valores de la
funcin
estacionalidad suelen
presentarse como
porcentajes, para lo
cual es necesario
multiplicarlos por
100.
9971 . 0
0086 . 3
0000 . 3

Los valores ajustados

seran los siguientes:
S1 - 0.8704 * 99.71 = 86.79
S2 - 1.0171 * 99.71 = 101.42
S3 - 1.1211 * 99.71 = 111.79

300.00
Interpretacin: Esto significa que
en el 1er cuatrimestre, los valores
se encuentran un 13.21% por
debajo del promedio, mientras
que en el segundo y tercero, estn
respectivamente el 1.42% y 11.79%
por encima de l.
Grafico
con
Tendencia
Interpretacin:
El hallazgo de la tendencia en los aos histricos nos
ayuda a proyectarnos a aos futuros. En el ao 2007
segn clculos se observa que las ventas van a ir
incrementando.
VENTAS DE GASEOSA DURANTE
2004-2006
VARIACIN CCLICA
Es la segunda componente de una serie de
Tiempo , despus de la tendencia secular.

ASCENSO Y DESCENSO DE UNA SERIE DE
TIEMPO EN PERIODOS MAYORES DE UN
AO
El componente cclico es la fluctuacin en
forma de onda alrededor de la tendencia,
afecta por lo regular por las condiciones
econmicas generales.
Variacin Cclica
La segunda componente es la variacin cclica en la
que a travs del perodo de tiempo analizado se
producen ascensos y descensos en varias
oportunidades. Este tipo de comportamiento es
muy asociado a variaciones de carcter econmico.

El ciclo normal en un negocio consiste en un
periodo de prosperidad seguido de periodos de
recesin, depresin, y luego, recuperacin
Se observa fluctuaciones considerables que
representan ms de un ao, arriba y debajo de la
tendencia secular.
ejemplo:

- En el siguiente
diagrama se muestra
el numero de pilas
vendidas por
national battery
sales, inc. De 1980 a
1997. Se resalta la
naturaleza cclica del
negocio. Existen
periodos de
recuperacin,
seguidos por los de
prosperidad,
recesin, y
finalmente el ciclo
acaba con la
depresin.

Los patrones cclicos tienden a repetirse en los datos
aproximadamente cada dos tres o ms aos. Es comn que
las fluctuaciones cclicas estn influidas por cambios de
expansin y contraccin econmicas, a los que
comnmente se hace referencia como:
EL CICLO DE LOS NEGOCIOS
Se muestra una supuesta variable econmica cuya evolucin es cclica y una variacin
natural entre 90 y 110 (amplitud de la variacin 20). Supongamos que los organismos
reguladores toman acciones al llegar a valores lmite. Suponiendo que slo se produzca
un efecto de desplazamiento
La realidad puede ser muchos peor pues los organismos reguladores no tienen un
conocimiento preciso y exacto que les permita predecir el comportamiento futuro de
las variables para acertar en el punto de compensacin exacto (como demuestra la
escasa habilidad para predecir o intuir la crisis actual
Sirva la figura que sigue como ilustracin.

Tendencia o Tendencia Secular

Las tendencias a largo plazo se ajustan
a diversos esquemas. Algunas se
mueven continuamente hacia arriba,
otras declinan, y otras ms
permanecen igual en un cierto
periodo de tiempo.

La tendencia o tendencia secular, es
aquella tendencia a largo plazo sin
alteraciones de una serie de tiempo.
Esta tendencia pudiera ser de tipo lineal o no lineal, as como
tambin creciente o decreciente y tambin como una
combinacin de alguna de las anteriores.
a) Tendencia Lineal

b) Tendencia
exponencial o
semilogartmica

c) Tendencia
Geomtrica o doble
logartmica

- En el diagrama que sigue muestra el nmero de usuarios de telfonos
celulares GTE (en millones), en Estados Unidos, desde 1992 hasta 1996. El
nmero se increment de 1.09 millones en 1992 , a 3.75 millones en 1996 lo
que representa un aumento de 2.66 millones de usuarios, o sea 244%. La
tendencia de la serie de tiempo esta creciendo.

U
S
U
A
R
I
O
S
(M
I
L
L
O
N
E
S)

- El diagrama presentado a continuacin es un ejemplo de una tendencia
descendente a largo plazo. En 1992, un gran establecimiento de comercio al
menudeo en el noroeste de EUA manejaba 245 tiendas, al final de 1997
operaba 204. Esto es una disminucin de 41 tiendas, o sea de 16.7%.

- El diagrama siguiente
muestra la produccin total de
autos en Japn y en Europa
occidental para el quinquenio
de 1992 a 1996. La produccin
en Europa occidental aument
en cerca de un milln de autos
en dicho lapso: de 13.1
millones en 1992 a 14.1
millones en 1996. Hubo una
baja en 1993 y en 1994. En
Japn ha habido un descenso
continuo en la produccin de
autos. En 1992 se produjeron
9.4 millones. Para 1996 esto
haba disminuido a 7.9
millones, lo cual es una
reduccin de 1.5 millones, o
un descenso promedio de 0.3
millones por ao.